Inférence statistique pratique et tests d'hypothèses pour la science des données

Prendre des décisions basées sur les données nécessite plus que de simples calculs de moyennes ; vous devez savoir si vos découvertes sont statistiquement significatives ou simplement du bruit aléatoire. Ce cours présente les principes fondamentaux de l'inférence statistique et des tests d'hypothèses, spécifiquement adaptés aux applications modernes de la science des données. Vous passerez de la simple observation des données à la formulation de conclusions mathématiquement solides en toute confiance. En apprenant à structurer les hypothèses, à calculer les statistiques de test et à interpréter correctement les p-values, vous acquerrez la rigueur analytique nécessaire pour valider les tests A/B, évaluer les fonctionnalités expérimentales et éviter les pièges statistiques courants. Ce que vous apprendrez : - Comprendre les concepts fondamentaux de l'inférence statistique, y compris les populations, les échantillons et les distributions d'échantillonnage. - Formuler des hypothèses nulles et alternatives pour des scénarios de science des données du monde réel. - Calculer et interpréter correctement les p-values, les intervalles de confiance et les tailles d'effet pour éviter les mauvaises interprétations courantes. - Appliquer des tests paramétriques classiques tels que les tests t, l'ANOVA et les tests du chi-carré à l'aide des bibliothèques scientifiques de Python. - Implémenter l'inférence basée sur la simulation, y compris les tests de permutation et le bootstrapping, pour des distributions de données non standard. - Analyser la puissance statistique et les exigences de taille d'échantillon pour concevoir des expériences et des tests A/B robustes. - Reconnaître et prévenir les pièges éthiques et pratiques courants, tels que le p-hacking et le biais de comparaison multiple. Le cours commence par la terminologie essentielle et la logique de la probabilité statistique avant de vous guider à travers des calculs pratiques basés sur du texte et des extraits de code Python pour les tests classiques et modernes basés sur la simulation. Il est conçu pour les analystes de données débutants, les scientifiques des données en herbe et les développeurs cherchant à construire une base quantitative solide sans nécessiter de connaissances préalables en statistiques avancées. Commencez dès aujourd'hui à prendre des décisions fiables et statistiquement fondées avec vos données.